-
公开(公告)号：CN117934991A
公开(公告)日：2024-04-26
申请号：CN202410015401.8
申请日：2024-01-05
Applicant: 南昌大学
IPC: G06V10/774 , G06N3/0475 , G06N3/045 , G06N3/0464 , G06N3/088 , G06N3/094
Abstract: 本发明涉及图像处理技术领域，特别涉及一种基于身份保持的多类面部表情图片生成技术，包括条件生成对抗网络模型训练、多类面部表情图片生成两个步骤。本发明能够根据主体中性表情图片生成包含该主体六类基本不同面部表情(愤怒、厌恶、恐惧、快乐、悲伤、以及惊讶)的面部图片，具有灵活性和实用性；另外，该技术能够在生成主体多类面部表情图片的同时保持主体身份信息，使得生成图片更为自然逼真，具有良好的应用前景。
-
公开(公告)号：CN116052872B
公开(公告)日：2023-10-13
申请号：CN202310018729.0
申请日：2023-01-06
Applicant: 南昌大学
Abstract: 本发明公开了一种基于面部表情的帕金森疾病智能数据评估方法和系统，包括步骤：第一，采用StarGAN模型合成帕金森患者的正常面部表情图像；第二，基于FaceQnet模型制定了一个图像质量筛选方案来评估上述合成的面部表情图像质量，挑选出高质量合成面部图像；第三，将PD患者的原始训练数据与高质量合成面部表情图像和公共数据集中图像进行混合，对原始训练数据扩充，训练深度特征提取器，学习提取图像表情特征；第四，将提取的面部表情图像的特征连接起来，然后训练分类器进行PD/非PD分类。本发明提出了一种通过深度学习模型实现基于面部表情的诊断准确率高的体外帕金森诊断方法，大大降低了帕金森患者诊断成本，提高了帕金森诊断效率和准确率。
-
公开(公告)号：CN115830400B
公开(公告)日：2023-05-16
申请号：CN202310097955.2
申请日：2023-02-10
Applicant: 南昌大学
IPC: G06V10/764 , G06V10/82 , G06N3/048 , G06N3/098 , G06N3/0464 , G06F21/62 , G16H30/00
Abstract: 本申请公开了一种基于联邦学习机制的数据识别方法及其系统，其中基于联邦学习机制的数据识别方法，具体包括以下子步骤：确定识别模型的骨干网络；响应于确定识别模型的骨干网络后，对识别模型进行联邦学习，完成识别模型的训练；将电子数据输入至训练完成的识别模型，进行电子数据的识别。本申请重点考虑对用户数据的的隐私保护，通过对联邦学习机制以及残差网络算法的研究和学习，解决了目前其他模型安全性不足的缺陷，设计出了在做到保护用户隐私和安全的前提下，仍能保持对数据进行良好的识别的模型，从而达到对用户提供的电子数据进行良好识别的目的。
-
公开(公告)号：CN115830400A
公开(公告)日：2023-03-21
申请号：CN202310097955.2
申请日：2023-02-10
Applicant: 南昌大学
IPC: G06V10/764 , G06V10/82 , G06N3/048 , G06N3/098 , G06N3/0464 , G06F21/62 , G16H30/00
Abstract: 本申请公开了一种基于联邦学习机制的数据识别方法及其系统，其中基于联邦学习机制的数据识别方法，具体包括以下子步骤：确定识别模型的骨干网络；响应于确定识别模型的骨干网络后，对识别模型进行联邦学习，完成识别模型的训练；将电子数据输入至训练完成的识别模型，进行电子数据的识别。本申请重点考虑对用户数据的的隐私保护，通过对联邦学习机制以及残差网络算法的研究和学习，解决了目前其他模型安全性不足的缺陷，设计出了在做到保护用户隐私和安全的前提下，仍能保持对数据进行良好的识别的模型，从而达到对用户提供的电子数据进行良好识别的目的。
-
公开(公告)号：CN118629078B
公开(公告)日：2025-01-21
申请号：CN202410764541.5
申请日：2024-06-14
Applicant: 南昌大学
IPC: G06V40/16 , G06N3/0475 , G06N3/094 , G06N3/047 , G06N3/0455 , G06T11/00
Abstract: 本发明涉及数据处理技术领域，特别涉及一种基于VAE‑GAN框架的多模态人脸识别与原型重建方法，旨在解决多模态情况下的人脸识别问题，其中注册人脸来自域A，而待检索目标人脸可能涵盖域A、域B和域C。同时，该方法具备多模态人脸原型重建功能，即接受“污染”人脸数据(来自域A、域B和域C)，并能够根据需求重建其在特定域(域A、域B或域C)中的脸部原型图像。本发明可提升人脸识别系统的安全性和适用范围。
-
Patent Agency Ranking
公开(公告)号：CN118629078A
公开(公告)日：2024-09-10
申请号：CN202410764541.5
申请日：2024-06-14
Applicant: 南昌大学
IPC: G06V40/16 , G06N3/0475 , G06N3/094 , G06N3/047 , G06N3/0455 , G06T11/00
Abstract: 本发明涉及数据处理技术领域，特别涉及一种基于VAE‑GAN框架的多模态人脸识别与原型重建方法，旨在解决多模态情况下的人脸识别问题，其中注册人脸来自域A，而待检索目标人脸可能涵盖域A、域B和域C。同时，该方法具备多模态人脸原型重建功能，即接受“污染”人脸数据(来自域A、域B和域C)，并能够根据需求重建其在特定域(域A、域B或域C)中的脸部原型图像。本发明可提升人脸识别系统的安全性和适用范围。
-
公开(公告)号：CN118334473A
公开(公告)日：2024-07-12
申请号：CN202410757677.3
申请日：2024-06-13
Applicant: 南昌大学
IPC: G06V10/774 , G06V10/80 , G06V10/82 , G06V10/44 , G06N3/0455 , G06N3/084
Abstract: 本发明提出了一种基于语义解纠缠的深度伪造图像检测方法，包括如下步骤：S1、设计第一阶段训练的模型架构；S2、设计第二阶段训练的模型架构；S3、检验多尺度高频特征提取模块和多尺度高频特征融合模块的效果；S4、分析方法检测深度伪造图像的性能。第一阶段训练模型和第二阶段训练模型用于解纠缠图像共同伪造语义、图像特殊伪造语义和图像无关内容语义，以用于提高取证的鲁棒性和泛化能力。设计了自适应的高通滤波器、多尺度高频特征提取模块和多尺度高频特征融合模块，用于充分利用高频信息。提出了双阶段训练的方法，加强语义的解纠缠，提升提取的伪造语义的独立性，提高了语义在取证中的有效性。
-
公开(公告)号：CN116152885B
公开(公告)日：2023-08-01
申请号：CN202211540523.6
申请日：2022-12-02
Applicant: 南昌大学
IPC: G06V40/16 , G06V10/82 , G06N3/0455
Abstract: 本发明公开了一种基于特征解耦的跨模态异质人脸识别和原型修复方法，技术路线为：先从输入人脸图片学习到潜在特征空间，并在特征空间中解耦原型特征和源域特征，再用目标域特征替换源域特征，进而解码到像素空间中生成目标域的人脸原型图片。不同于现有跨模态人脸识别技术只关注系统自动识别准确率，本发明引入了跨模态人脸原型修复过程，提供了人工鉴别和比对途径，进而提高了复杂环境下人脸识别系统的鲁棒性。此项发明技术尤其适用于刑事侦查和犯罪识别。发明融合了解耦表征学习与生成对抗学习技术，通过在潜在特征空间中仅解耦原型和域特征，进而在像素空间中自适应地移除了人脸变化信息。
-
公开(公告)号：CN116052872A
公开(公告)日：2023-05-02
申请号：CN202310018729.0
申请日：2023-01-06
Applicant: 南昌大学
Abstract: 本发明公开了一种基于面部表情的帕金森疾病智能数据评估方法和系统，包括步骤：第一，采用StarGAN模型合成帕金森患者的正常面部表情图像；第二，基于FaceQnet模型制定了一个图像质量筛选方案来评估上述合成的面部表情图像质量，挑选出高质量合成面部图像；第三，将PD患者的原始训练数据与高质量合成面部表情图像和公共数据集中图像进行混合，对原始训练数据扩充，训练深度特征提取器，学习提取图像表情特征；第四，将提取的面部表情图像的特征连接起来，然后训练分类器进行PD/非PD分类。本发明提出了一种通过深度学习模型实现基于面部表情的诊断准确率高的体外帕金森诊断方法，大大降低了帕金森患者诊断成本，提高了帕金森诊断效率和准确率。
-
公开(公告)号：CN115937994A
公开(公告)日：2023-04-07
申请号：CN202310015602.3
申请日：2023-01-06
Applicant: 南昌大学
IPC: G06V40/40 , G06V40/16 , G06V10/82 , G06N3/0475 , G06N3/094
Abstract: 本申请公开了一种基于深度学习检测模型的数据检测方法，具体包括以下子步骤：获取原始电子数据；将原始电子数据输入深度学习检测模型中，获取输出后的电子数据；响应于获取输出后的电子数据，确定深度学习检测模型的损失函数；响应于确定深度学习检测模型的损失函数，利用深度学习检测模型对输出后的电子数据进行优化。本申请通过提出的深度学习检测模型能够不需要纯化操作，直接检测反取证数据，使得反取证数据的检测过程更加直接和便利。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.063 seconds)
